本文關(guān)鍵詞： 高維資產(chǎn)組合 動(dòng)態(tài)因子GARCH模型 VaR度量　出處：《西南財(cái)經(jīng)大學(xué)》2013年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來(lái),對(duì)于高維金融資產(chǎn)組合的VaR的度量越來(lái)越受到重視。一方面,隨著全球金融的發(fā)展以及中國(guó)金融市場(chǎng)的不斷發(fā)展與完善。以大規(guī)模金融資產(chǎn)為基礎(chǔ)產(chǎn)生的金融產(chǎn)品及其衍生品越來(lái)越多,某些基金甚至是由上百種金融資產(chǎn)組合而成,如ETF180、ETF280、ETF300等。它們的出現(xiàn)不但豐富了金融市場(chǎng)的產(chǎn)品市場(chǎng),同時(shí)這類大規(guī)模高維金融資產(chǎn)組合能較為有效、全面地結(jié)合金融市場(chǎng)中的各類信息。通過(guò)對(duì)這類高維金融資產(chǎn)組合的研究與風(fēng)險(xiǎn)評(píng)價(jià),能比較全面的掌握金融市場(chǎng)的風(fēng)險(xiǎn)因素從而對(duì)其進(jìn)行風(fēng)險(xiǎn)管理和監(jiān)控。因此,在學(xué)術(shù)上對(duì)高維金融資產(chǎn)組合的VaR度量研究已經(jīng)成為了一種趨勢(shì)。另一方面,高維金融資產(chǎn)組合因其涵蓋信息多、內(nèi)容全面。加上自2008年全球金融危機(jī)后,通過(guò)研究高維金融資產(chǎn)組合來(lái)度量市場(chǎng)中的系統(tǒng)性危機(jī)也成為了一種新思路。在此背景下,準(zhǔn)確的度量高維金融資產(chǎn)組合的VaR值,將其應(yīng)用到現(xiàn)代金融市場(chǎng)的風(fēng)險(xiǎn)管理、風(fēng)險(xiǎn)監(jiān)控以及資產(chǎn)組合投資等領(lǐng)域具有非常深刻的理論與實(shí)踐意義。 而國(guó)內(nèi)現(xiàn)有文獻(xiàn)對(duì)于上述問(wèn)題研究基本上存在以下三方面的問(wèn)題：(1)通常對(duì)單一變量(如市場(chǎng)指數(shù)、單一金融資產(chǎn)等)進(jìn)行VaR的度量。對(duì)單一變量的VaR度量這并不能反映出現(xiàn)代金融市場(chǎng)間各市場(chǎng)、各資產(chǎn)間的相互聯(lián)系與相互影響。因此,該類方法的研究對(duì)象即使是對(duì)市場(chǎng)指數(shù)類進(jìn)行研究。它也在信息上存在損失,忽略了資產(chǎn)間的相互關(guān)聯(lián)與影響的機(jī)制。(2)在理論研究中,對(duì)于多維度的金融資產(chǎn)。理論上采用多元GARCH模型或指數(shù)滑動(dòng)平均模型似乎能有效的解決單一變量研究產(chǎn)生的問(wèn)題。然而,在金融實(shí)踐中無(wú)論采用何種形式的多元GARCH模型設(shè)定都無(wú)法對(duì)本文所研究的高維金融資產(chǎn)組合進(jìn)行有效的參數(shù)估計(jì)。這是由于多元GARCH類模型具有復(fù)雜的向量與矩陣形式。當(dāng)變量的維數(shù)增加時(shí),待估參數(shù)呈指數(shù)增長(zhǎng)從而陷入了“維數(shù)災(zāi)難”的困境。而指數(shù)滑動(dòng)平均這類模型雖然兼顧了金融時(shí)間序列的時(shí)變性特征,但通過(guò)簡(jiǎn)單的滑動(dòng)指數(shù)來(lái)刻畫這種時(shí)變性當(dāng)然具有一定的不準(zhǔn)確性。因而,這類方法存在理論上可行而實(shí)踐上難實(shí)施的問(wèn)題。(3)降維思想類的方法通過(guò)對(duì)高維資產(chǎn)的降維,提取出重要的市場(chǎng)因子來(lái)刻畫金融資產(chǎn)組合內(nèi)各資產(chǎn)間的相互聯(lián)系與影響。在大多數(shù)實(shí)證分析中,因子GARCH模型通常被使用。然而因子GARCH模型在降維過(guò)程中存在信息損失,且提取的因子個(gè)數(shù)的確定并沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)。因此,這類方法雖然能有效的對(duì)大規(guī)模的金融資產(chǎn)組合的波動(dòng)性進(jìn)行刻畫。但損失的信息部分是不容忽略的。 針對(duì)現(xiàn)有文獻(xiàn)的不足,本文通過(guò)動(dòng)態(tài)因子GARCH模型來(lái)刻畫高維金融資產(chǎn)組合的波動(dòng)性。該模型將動(dòng)態(tài)因子模型與GARCH類模型進(jìn)行有效的結(jié)合,來(lái)度量高維金融資產(chǎn)的波動(dòng)性。動(dòng)態(tài)因子模型將高維金融資產(chǎn)組合分解為受市場(chǎng)因素影響的市場(chǎng)部分(或系統(tǒng)部分)以及金融資產(chǎn)自身獨(dú)立的特質(zhì)部分(或異質(zhì)部分)。市場(chǎng)部分在因子模型下的維數(shù)已遠(yuǎn)遠(yuǎn)低于大規(guī)模金融資產(chǎn)的維數(shù)。因此,分別對(duì)市場(chǎng)部分和特質(zhì)部分建立合理的多元GARCH與單變量的GARCH模型就能在不損失信息的情況下較為準(zhǔn)確的刻畫金融資產(chǎn)組合的波動(dòng)性。那么將動(dòng)態(tài)因子GARCH模型下刻畫的波動(dòng)性應(yīng)用于VaR度量中,就能解決高維金融資產(chǎn)組合的VaR度量問(wèn)題。 本文在國(guó)內(nèi)外文獻(xiàn)分析、歸納和總結(jié)的基礎(chǔ)上進(jìn)行了實(shí)證分析。選取了以滬深300指數(shù)成分股為基礎(chǔ)的218支股票2010年1月1日至2012年12月31日為樣本區(qū)間的收盤價(jià)作為研究對(duì)象。對(duì)該金融資產(chǎn)組合的VaR度量進(jìn)行了深入的理論分析與實(shí)證研究。 本文的主要內(nèi)容包括選題的背景與意義,并闡述了本文的研究思路、方法、內(nèi)容安排以及創(chuàng)新。本文對(duì)現(xiàn)有文獻(xiàn)進(jìn)行了梳理、總結(jié)。針對(duì)其不足,介紹了本文研究方法的優(yōu)勢(shì)與創(chuàng)新。 本文研究的對(duì)象是高維金融資產(chǎn)的收益率序列,利用動(dòng)態(tài)因子模型的方法。將可以觀測(cè)的收益率序列分解為由動(dòng)態(tài)因子驅(qū)動(dòng)影響的公共部分與金融資產(chǎn)組合中各個(gè)序列的特質(zhì)部分。在因子模型中,公共部分(系統(tǒng)部分)與特質(zhì)部分(異質(zhì)部分)信息是不重疊的。其中,公共部分是由潛在的不可觀測(cè)的動(dòng)態(tài)因子驅(qū)動(dòng)影響的；而特質(zhì)部分是由每支金融資產(chǎn)組合內(nèi)的個(gè)體收益率序列自身的特質(zhì)因素影響而產(chǎn)生的。因子模型有效的將它們分解開,這樣通過(guò)少數(shù)的動(dòng)態(tài)因子的變動(dòng)就能對(duì)整個(gè)資產(chǎn)組合的公共部分(系統(tǒng)性部分)產(chǎn)生影響。因而對(duì)公共部分的波動(dòng)性的刻畫就可以根據(jù)得到的因子個(gè)數(shù)選取合理的多元GARCH模型來(lái)進(jìn)行擬合。這樣高維金融資產(chǎn)組合的系統(tǒng)性波動(dòng)就被極少數(shù)的公共因子的波動(dòng)刻畫出來(lái)(起到非常重要的降維作用)。然后再對(duì)特質(zhì)部分根據(jù)其自身收益率序列呈現(xiàn)的特點(diǎn)建立單變量的GARCH來(lái)刻畫其波動(dòng)。這樣既使得金融資產(chǎn)組合的波動(dòng)由系統(tǒng)性波動(dòng)與特質(zhì)性波動(dòng)組成,又避免了傳統(tǒng)因子GARCH模型的信息損失。因?yàn)楹笳叱３Ｖ粚?duì)提取的靜態(tài)因子建立多元GARCH模型而忽略了特質(zhì)部分的波動(dòng)影響。而動(dòng)態(tài)因子GARCH模型就很好的彌補(bǔ)了這一點(diǎn)。 通過(guò)本文的理論分析與實(shí)證研究,得到了以下的結(jié)論：(1)對(duì)于我國(guó)以滬深300指數(shù)成分股為基礎(chǔ)選取的218支股票構(gòu)建的資產(chǎn)組合。可以通過(guò)3個(gè)動(dòng)態(tài)因子來(lái)驅(qū)動(dòng)由市場(chǎng)產(chǎn)生的對(duì)各個(gè)股票波動(dòng)性的影響。但這3個(gè)動(dòng)態(tài)因子并不能通過(guò)現(xiàn)有的理論來(lái)進(jìn)行合理的解釋或命名,另外這3個(gè)動(dòng)態(tài)因子間的動(dòng)態(tài)相關(guān)系數(shù)表明它們之間存在弱相關(guān)。(2)在刻畫高維資產(chǎn)組合波動(dòng)性方面,動(dòng)態(tài)因子GARCH在對(duì)國(guó)內(nèi)股票市場(chǎng)中構(gòu)建的高維資產(chǎn)組合的波動(dòng)性估計(jì)具有一定的效果,即動(dòng)態(tài)因子GARCH模型提供了一個(gè)針對(duì)高維資產(chǎn)組合的波動(dòng)性刻畫與預(yù)測(cè)的方法。在95%與99%置信度下,對(duì)應(yīng)用動(dòng)態(tài)因子GARCH模型計(jì)算的VaR值與指數(shù)滑動(dòng)平均模型計(jì)算的VaR值比較可知,動(dòng)態(tài)因子GARCH模型計(jì)算的VaR值略小。而指數(shù)滑動(dòng)平均模型計(jì)算的VaR值相對(duì)略大。在95%與99%置信度下動(dòng)態(tài)因子GARCH模型與指數(shù)滑動(dòng)平均模型計(jì)算的VaR值的回測(cè)檢驗(yàn)表明。在95%置信度下,動(dòng)態(tài)因子GARCH模型與指數(shù)滑動(dòng)平均模型的效果均比較好。但在99%置信度下,動(dòng)態(tài)因子GARCH模型比指數(shù)滑動(dòng)平均模型的效果好,而指數(shù)滑動(dòng)平均模型在VaR的度量上較為保守。因此,金融機(jī)構(gòu)、金融監(jiān)管以及風(fēng)險(xiǎn)控制部分可以考慮采用動(dòng)態(tài)因子模型對(duì)高維資產(chǎn)組合進(jìn)行風(fēng)險(xiǎn)的度量、監(jiān)督和管理。 本文的創(chuàng)新之處主要體現(xiàn)在以下三個(gè)方面：(1)首次在國(guó)內(nèi)對(duì)超過(guò)200支金融資產(chǎn)的日收益率的方差協(xié)方差陣進(jìn)行了估計(jì),并將其結(jié)果用于VaR的度量。結(jié)果表明動(dòng)態(tài)因子GARCH適用于國(guó)內(nèi)高維金融資產(chǎn)的VaR度量。(2)對(duì)218支股票收益率數(shù)據(jù)的特質(zhì)部分建立了TGARCH (GJR-GARCH)和GARCH模型合理的估計(jì)了特質(zhì)波動(dòng)部分。與傳統(tǒng)的因子GARCH模型相比,避免了特質(zhì)部分信息、的損失。(3)采用滾動(dòng)預(yù)測(cè)的方法對(duì)218支股票組合進(jìn)行了VaR度量,并將其結(jié)果與指數(shù)滑動(dòng)平均(EWMA)的VaR度量進(jìn)行了比較。結(jié)果表明動(dòng)態(tài)因子GARCH模型下的VaR度量均好于指數(shù)滑動(dòng)平均下的VaR度量。 本文進(jìn)一步的研究方向?yàn)椋?1)可以將動(dòng)態(tài)因子GARCH模型應(yīng)用到更多的市場(chǎng)領(lǐng)域,通過(guò)這些應(yīng)用更好的驗(yàn)證動(dòng)態(tài)因子GARCH模型的適用性。(2)本文僅僅將動(dòng)態(tài)因子GARCH模型的波動(dòng)性估計(jì)結(jié)果運(yùn)用到了VaR的度量上。而該模型的結(jié)果還可以應(yīng)用到更多的領(lǐng)域,如投資組合決策等。
[Abstract]:On the one hand , with the development of global finance and the continuous development and perfection of China ' s financial market , the financial product and its derivatives have become more and more developed with the development of global finance and the continuous development and perfection of China ' s financial market . There are three main problems in the research of the above - mentioned problems : ( 1 ) the VaR measure of the single variable ( such as market index , single financial asset , etc . ) can be effectively solved . In this paper , the volatility of high - dimensional financial assets is characterized by the dynamic factor model . The dynamic factor model combines high - dimensional financial assets into the market part ( or system part ) affected by market factors and the independent character part ( or heterogeneous part ) of financial assets . This paper makes an empirical analysis on the basis of literature analysis , induction and summary at home and abroad . The stock price of 218 shares based on Shanghai - Shenzhen - 300 index is selected as the research object from Jan . 1 , 2010 to Dec . 31 , 2012 . The VaR measure of this financial asset portfolio is analyzed theoretically and empirically . The main content of this paper includes the background and significance of the selection , and expounds the research thoughts , methods , content arrangement and innovation of this paper . This paper reviews the existing literature and summarizes the advantages and innovations of the research methods in this paper . This paper studies the yield sequence of high - dimensional financial assets , and uses the method of dynamic factor model . The observable yield sequence is decomposed into the characteristic part of each sequence in the combination of public and financial assets driven by dynamic factor . Based on the theoretical analysis and the empirical research , the following conclusions are obtained : ( 1 ) The effect of the dynamic factors and the index sliding average model on the volatility of the high - dimensional asset portfolio , which is based on the Shanghai - Shenzhen - 300 index , is better than that of the exponential sliding - average model . The innovation in this paper is mainly embodied in the following three aspects : ( 1 ) The variance covariance matrix of more than 200 financial assets is estimated at home for the first time , and the results are used to measure VaR . The research direction of this paper is : ( 1 ) The applicability of the dynamic - factor ARCH model can be applied to more market fields , and the applicability of the model is better validated by these applications . ( 2 ) The results of the volatility estimation of the dynamic - factor ARCH model can be applied to VaR measure only . The results of this model can also be applied to more fields , such as decision - making of investment portfolio .

【學(xué)位授予單位】：西南財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：F830.9;F224

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄭文通;金融風(fēng)險(xiǎn)管理的VAR方法及其應(yīng)用[J];國(guó)際金融研究;1997年09期

2 王春峰,萬(wàn)海輝,李剛;基于MCMC的金融市場(chǎng)風(fēng)險(xiǎn)VaR的估計(jì)[J];管理科學(xué)學(xué)報(bào);2000年02期

3 劉宇飛;VaR模型及其在金融監(jiān)管中的應(yīng)用[J];經(jīng)濟(jì)科學(xué);1999年01期

4 陳守東,俞世典;基于GARCH模型的VaR方法對(duì)中國(guó)股市的分析[J];吉林大學(xué)社會(huì)科學(xué)學(xué)報(bào);2002年04期

5 康宇虹,梁健;基于GJR-GARCH的VaR模型及其在上海證券市場(chǎng)的實(shí)證研究[J];南開管理評(píng)論;2004年04期

6 王春峰,萬(wàn)海暉,張維;金融市場(chǎng)風(fēng)險(xiǎn)測(cè)量模型——VaR[J];系統(tǒng)工程學(xué)報(bào);2000年01期

7 張世英,柯珂;ARCH模型體系[J];系統(tǒng)工程學(xué)報(bào);2002年03期

8 陳金龍,張維;CVaR與投資組合優(yōu)化統(tǒng)一模型[J];系統(tǒng)工程理論方法應(yīng)用;2002年01期

9 田宏偉,詹原瑞,邱軍;極值理論(EVT)方法用于受險(xiǎn)價(jià)值(VaR)計(jì)算的實(shí)證比較與分析[J];系統(tǒng)工程理論與實(shí)踐;2000年10期

10 苗實(shí),劉海龍,潘德惠;ARCH模型的研究與探討[J];信息與控制;1999年05期

，

本文編號(hào)：1478287